← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 1068.f · 生成模型:GPT-6(Codex;本轮出处修订)

跨片率衡量时空切片划分的好坏

理解等级:未标注

[[Switchback时空切片]]划分得好不好,可用”跨片率”衡量——参与方跨越切片边界完成匹配的比例。跨片率越低,说明每次匹配基本发生在同一切片内、被同一套策略完整覆盖,网络效应干扰越小。但跨片率不是越低越好:把整个城市划成一片时跨片率为0,可用样本量却退化成1,无法做实验,需要在干扰和样本量间找平衡(谱聚类可自动找到内部稠密、外部稀疏的切分)。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第9章 特殊场景下的实验设计和分析方法 9.2 Switchback实验和评估方法 · 查看原书依据

      根据上面对于时间、空间维度网络效应的描述,数据分析师可以将其量化为一个指标,表示食客、餐厅和送餐员处于不同时空切片的比例,即跨片率。无论是从时间维度还是空间维度,如果某种时空切片的切分方法能使得平台所有匹配的跨片率足够低,我们就可以认为每一次匹配结果都是由同样的匹配算法实现的,实验组、对照组之间的网络效应会较小。 2. 利用统计方法进行时间维度的切分 数据分析师可以利用简单穷举的方式,如每15分钟切分一次、每半小时切分一次、每1小时切分一次,解决时间维度的后续影响。利用统计方法,我们可以找到在本次食客和送餐员的匹配中,送餐员是否已经接到上一个时间段匹配订单的概率,这个在时间维度上的跨片率越小越好。

    参考来源

    - 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第9章 特殊场景下的实验设计和分析方法,9.2 Switchback实验和评估方法(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0051.xhtml) - 结论依据:原文明确"数据分析师可以将其量化为一个指标,表示食客、餐厅和送餐员处于不同时空切片的比例,即跨片率",并指出"跨片率并不是越小越好,最极端的情况就是整个城市是一片,此时跨片率为0,但是可供实验的样本量为1,无法进行实验",谱聚类算法用于"找到在切分完成后,每一个子图……内部连接稠密、外部连接稀疏的切分方法"。 - 原始内容:根据上面对于时间、空间维度网络效应的描述,数据分析师可以将其量化为一个指标,表示食客、餐厅和送餐员处于不同时空切片的比例,即跨片率。无论是从时间维度还是空间维度,如果某种时空切片的切分方法能使得平台所有匹配的跨片率足够低,我们就可以认为每一次匹配结果都是由同样的匹配算法实现的,实验组、对照组之间的网络效应会较小。 2. 利用统计方法进行时间维度的切分 数据分析师可以利用简单穷举的方式,如每15分钟切分一次、每半小时切分一次、每1小时切分一次,解决时间维度的后续影响。利用统计方法,我们可以找到在本次食客和送餐员的匹配中,送餐员是否已经接到上一个时间段匹配订单的概率,这个在时间维度上的跨片率越小越好。